距离理想汽车产品线负责人李昕旸在社交平台发文承诺“9月推送的9.1版本优化复杂场景下的泊车能力”已过去数日，那段理想i6在地下停车场反复调整、被围观车主手动倒车入库的视频，至今仍在各大汽车论坛被反复讨论。理想官方给出的解释很明确——车后有电动自行车占位，导致自动泊车过程遇阻。但问题在于，这样的场景在真实的地下车库里并不罕见，甚至可以说是常态。9.1版本OTA真能根治这些老大难问题，还是仅仅在原有框架上打补丁？
回顾事件本身，触发泊车失败的元凶是一辆高度约0.8至1.2米的电动自行车。这个高度区间恰好落在超声波雷达和视觉感知的模糊地带。理想客服此前曾透露，自动泊车系统通过摄像头和超声波雷达识别车位及周围环境，如果车位周围有立柱、立体障碍物，系统可能无法检测到，就会出现反复调整的情况。电动自行车不规则的形状——细长的车身、突出的车把和后视镜——对感知系统构成了双重挑战：超声波信号在非平面物体上容易衰减，后视摄像头的视角又存在天然盲区，系统可能将其误判为“可通过区域”或干脆完全漏检。
按照理想官方透露的技术方向，9.1版本可能的优化思路包括提升俯视摄像头对低矮物体的融合权重，以及调整短波雷达的检测阈值。但即便算法优化到位，极端场景仍可能“翻车”——比如黑色锥桶在暗光环境下与地面融为一体，或者儿童自行车倒在地上、高度低于雷达探测下限。普通车主最关心的其实不是技术参数，而是“小区里常见的快递三轮车、邻居家的儿童自行车，系统到底能不能认出来”。从目前公开信息来看，9.1版本大概率会提升识别率，但要做到“百分百无死角”，恐怕还需要更多真实路测数据的反哺。
看过那段视频的人，最直观的感受就是“折腾”——车辆反复前后调整，倒车轨迹来回修正，迟迟找不到一个可行的路径。理想客服也承认，系统在复杂场景下决策链路变长，反复试探成为常见现象。9.1版本要解决的，正是这种“犹豫不决”的体验痛点。
但这里存在一个技术上的两难选择。如果让系统变得更果断，缩短计算时间、减少调整次数，就可能对缝隙的容忍度提高，增加剐蹭风险。如果变得更保守，增加安全冗余，频繁停顿或后退，用户的信任感反而会进一步降低——车还没停进去，人先被急出一身汗。理想公开的一项自动泊车专利申请显示，公司正在研究一种针对翻越台阶等物理障碍时驱动与制动平稳衔接的方法，目标是在用户感知层面实现“老司机”般的流畅体验。这暗示9.1版本可能在“动态置信度阈值”上做文章，即根据场景复杂度动态调整系统的决策激进程度，简单场景快速泊入，复杂场景降低速度、增加安全冗余。
从用户视角来看，泊车体验的核心指标无非三个：泊入耗时、调整次数、急刹频率。如果能将反复调整的次数从现在的五六次压缩到两三次以内，同时保持零碰撞的安全记录，那9.1版本就算迈出了关键一步。但问题在于，这种平衡的精细化调校，往往需要大量用户数据的积累，并非一次OTA就能一步到位。
目前有不少车主反映，在停车场使用自动泊车时，系统的“泊车受阻提醒”出现得比较晚，而且提示信息过于笼统，往往只是弹出一句“环境复杂”，既不说明具体是什么障碍物，也不给出明确的建议。9.1版本的一个明确升级方向，就是优化泊车受阻提醒机制。
李昕旸在回应中也专门提到了这一点，表示未来将持续提升辅助驾驶能力，优化泊车受阻提醒。从行业经验来看，合理的预警逻辑应该是：当系统检测到车位后方或侧方存在低矮障碍物时，提前两到三米就给出提示，并明确告知“右侧有低矮障碍物，建议手动接管”，同时在界面中用高亮框标注障碍物位置，配合语音指引。这样的设计可以让用户在系统“死磕”之前就主动接管，避免陷入“系统反复尝试、后方车辆鸣笛催促”的尴尬局面。
横向对比来看，小鹏汽车在智能泊车辅助中已经支持障碍物标注和接管建议，用户可以在屏幕上清晰看到系统识别出的障碍物类型和位置。理想如果能在9.1版本中追平甚至超越这个水平，将大幅降低用户对自动泊车功能的心理门槛。
理想i6的这次泊车风波，并非行业孤例。低矮障碍物识别、窄车位反复调整、立柱干扰等问题，是所有自动泊车系统面临的共同难题。但各家车企的应对策略，已经开始分化出不同的路线。
小鹏汽车走的是“全场景智能泊车”路线，依托多传感器融合和高精地图，强调“无感泊车”——用户几乎感觉不到系统在介入，车已经停好了。面对类似的泊车投诉，小鹏通常通过OTA细化场景库，比如增加“狭窄车位模式”或“低矮障碍物规避专项优化”。其全栈自研的XNGP系统在记忆泊车落地速度上处于行业领先，对复杂场景的泛化能力较强。
华为问界则依托ADS 2.0系统，强调“拟人化泊车”。其GOD网络能够识别异形障碍物，包括倒地的自行车、散落的轮胎等非标准物体。在应对策略上，华为系车型倾向于“优先择速”与“安全冗余”并重，同时开放用户反馈标签，让车主可以主动标注哪些场景存在问题，以此反哺算法迭代。有实测数据显示，在断头路车位等极端场景中，问界M7的表现处于第一梯队。
特斯拉则走的是纯视觉路线，8个摄像头+神经网络迭代，成本低但依赖环境光。在雨天、暗光、低矮障碍物等场景下，纯视觉方案的识别能力容易打折扣。特斯拉的官方回应通常是“驾驶员需全程监控”，较少针对特定场景快速OTA，但会通过影子模式持续收集数据，用大规模车队学习来逐步优化。
对比之下，理想的“快速承诺+定向OTA”策略展现出灵活性——从事件发酵到官方回应仅用48小时，并且明确给出了9.1版本的时间节点。但能否兑现承诺，取决于三大悬念的实际表现。竞品已经在场景大数据积累和端到端模型训练上走得更远，理想能否后发制人，还需要用数据说话。
泊车智能化的竞赛，已经进入“细节定胜负”的阶段。标准车位泊入成功率超过95%早已不是新闻，真正拉开差距的，恰恰是那些“非标场景”——被电动车占位的车位、带立柱的窄车位、光线昏暗的角落。理想9.1版本的升级，是一次对技术实力的检验，也是对用户信任的修复。你最想看到我们对9.1版本泊车功能进行哪方面的实测？留言告诉我们，我们可能采纳你的想法，在下一次测试中专门验证。
